Kursinhalt

Ensemble-Lernen

1. Grundprinzipien des Aufbaus von Ensemble-Modellen

Was Ist Ein Ensemble von Modellen?Bagging-Modelle Boosting-Modelle Modelle Stapeln

2. Häufig Verwendete Bagging-Modelle

Bagging-Klassifikator Herausforderung: Aufgabe Mit Bagging Classifier Lösen Bagging Regressor Herausforderung: Aufgabe Mit Bagging Regressor Lösen Random Forest Herausforderung: Bestimmung der Merkmalswichtigkeit mit Random Forest Extrabäume

3. Häufig Verwendete Boosting-Modelle

Adaboost-Klassifikator Herausforderung: Aufgabe Mit AdaBoost-Klassifikator Lösen Herausforderung: Aufgabe mit AdaBoost Regressor Lösen Gradient Boosting XGBoost Herausforderung: Aufgabe Mit XGBoost Lösen

4. Häufig Verwendete Stacking-Modelle

Stacking-Klassifikator Herausforderung: Aufgabe mit Stacking-Klassifikator Lösen Herausforderung: Aufgabe Mit Stacking Regressor Lösen Verwendung von Ensembles als Basismodelle Kurszusammenfassung

Herausforderung: Aufgabe Mit Stacking Regressor Lösen

Stacking Regressor ist ein Stacking-Ensemble-Lernmodell, das zur Lösung von Regressionsaufgaben verwendet wird. Das Arbeitsprinzip dieses Modells ähnelt dem des Stacking Classifiers: Der einzige Unterschied besteht darin, dass wir Regressionsalgorithmen als Basis- und Metamodelle des Ensembles verwenden.
Wir können die StackingRegressor-Klasse aus der sklearn-Bibliothek verwenden, um dieses Modell in Python zu implementieren.

Aufgabe

Swipe to start coding

Das make_friedman1-Datenset ist ein synthetisches Datenset, das häufig für Regressionsaufgaben im maschinellen Lernen verwendet wird. Dieses Datenset wird häufig in Regressionstutorials und Experimenten verwendet, da es einfach ist, aber mit unterschiedlichen Rauschpegeln und Merkmalsdimensionen angepasst werden kann, um verschiedene Regressionsszenarien zu simulieren.

Ihre Aufgabe ist es, die Regressionsaufgabe auf dem Friedman-Datensatz mit Stacking Regressor zu lösen:

Teilen Sie das Trainingsset in Trainings- und Testuntergruppen auf: Der Anteil des Datensatzes, der in den Testsplit aufgenommen werden soll, muss 0.2 betragen.
Verwenden Sie Decision Tree Regressor mit max_depth gleich 3 als eines der Basismodelle.
Erstellen Sie ein Stacking Regressor-Modell mit Basis- und Metamodellen.
Passen Sie das Stacking Regressor-Modell an die Trainingsdaten an.

Lösung

Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden

War alles klar?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 3

Herausforderung: Aufgabe Mit Stacking Regressor Lösen

Aufgabe

Swipe to start coding

Ihre Aufgabe ist es, die Regressionsaufgabe auf dem Friedman-Datensatz mit Stacking Regressor zu lösen:

Teilen Sie das Trainingsset in Trainings- und Testuntergruppen auf: Der Anteil des Datensatzes, der in den Testsplit aufgenommen werden soll, muss 0.2 betragen.
Verwenden Sie Decision Tree Regressor mit max_depth gleich 3 als eines der Basismodelle.
Erstellen Sie ein Stacking Regressor-Modell mit Basis- und Metamodellen.
Passen Sie das Stacking Regressor-Modell an die Trainingsdaten an.

Lösung

Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden

War alles klar?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 3

Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden